结合图像增强的低光照目标检测算法

针对低照度环境下图像质量差、光照不均匀及细节模糊导致检测精度低的问题，提出了一种基于YOLOv8n改进的夜间检测模型LowLight-YOLOv8n。首先，在Backbone网络的卷积特征提取之前，引入了低光照图像增强网络Retinexformer，提升低光图像的可见度和对比度。其次，在Backbone和Neck网络中使用RFCAConv卷积操作替代传统卷积操作，自适应调整卷积核权重，解决传统卷积参数共享问题，进一步提高模型的特征提取和下采样能力。再次，结合大卷积核架构UniRepLKNet和Neck网络的C2f模块，形成新的C2f_UniRepLKNetBlock结构，获得更大的感受野，用较少的卷积操作覆盖图像的更多区域，聚合更大范围的上下文信息，捕捉到更多低光照图像中潜在的目标信息。最后，采用新的边界框回归损失函数Focaler-CIoU，聚焦于难样本的检测。在ExDark数据集上的实验结果表明，相比基线模型YOLOv8n，LowLight-YOLOv8n的mAP@0.5和mAP@0.5∶0.95指标分别提升了6.8百分点和5.8百分点，且参数量降低0.09×106个。